Python 数据可视化实战：Matplotlib、Seaborn 与 Plotly 完全指南

数据可视化是数据分析中最直观、最有力的工具。本文将带你深入掌握 Python 三大主流可视化库：Matplotlib、Seaborn 和 Plotly，从基础图表到高级交互式可视化。

📊 三大可视化库对比

核心特性对比

特性	Matplotlib	Seaborn	Plotly
定位	基础绘图库	统计可视化	交互式可视化
学习曲线	中等	较低	中等
图表类型	最丰富	专注统计图表	交互式图表
美观度	需手动调整	默认美观	现代化设计
交互性	静态	静态	强交互
适用场景	基础图表、定制化	统计分析、快速出图	仪表板、演示展示
性能	快	快（基于Matplotlib）	较慢（交互开销）

选择建议

python

# 使用 Matplotlib 当：
# - 需要完全控制每个细节
# - 创建科学出版物级别的图表
# - 需要最大的灵活性

# 使用 Seaborn 当：
# - 进行统计分析
# - 需要快速生成美观的图表
# - 处理分类数据和统计关系

# 使用 Plotly 当：
# - 需要交互式图表
# - 构建仪表板或 Web 应用
# - 演示和分享可视化结果

🎨 Matplotlib：基础绘图库

1. 基础图表

python

import matplotlib.pyplot as plt
import numpy as np

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 创建画布
fig, ax = plt.subplots(figsize=(10, 6))

# 绘制线条
ax.plot(x, y1, label='Sin(x)', linewidth=2, linestyle='-', color='blue')
ax.plot(x, y2, label='Cos(x)', linewidth=2, linestyle='--', color='red')

# 添加标签和标题
ax.set_xlabel('X 轴', fontsize=12)
ax.set_ylabel('Y 轴', fontsize=12)
ax.set_title('三角函数图', fontsize=14, pad=20)

# 添加图例
ax.legend(fontsize=10)

# 添加网格
ax.grid(True, alpha=0.3, linestyle='--')

# 设置坐标轴范围
ax.set_xlim(0, 10)
ax.set_ylim(-1.5, 1.5)

plt.tight_layout()
plt.show()

2. 多子图布局

python

# 2x2 子图布局
fig, axes = plt.subplots(2, 2, figsize=(12, 10))

# 子图1：折线图
axes[0, 0].plot(x, y1, 'b-', linewidth=2)
axes[0, 0].set_title('折线图')
axes[0, 0].grid(True, alpha=0.3)

# 子图2：散点图
axes[0, 1].scatter(x, y2, c='red', alpha=0.6, s=50)
axes[0, 1].set_title('散点图')

# 子图3：柱状图
categories = ['A', 'B', 'C', 'D']
values = [25, 30, 15, 20]
axes[1, 0].bar(categories, values, color=['red', 'green', 'blue', 'yellow'])
axes[1, 0].set_title('柱状图')

# 子图4：直方图
data = np.random.randn(1000)
axes[1, 1].hist(data, bins=30, color='purple', alpha=0.7, edgecolor='black')
axes[1, 1].set_title('直方图')

plt.tight_layout()
plt.show()

3. 自定义样式

python

# 使用预设样式
plt.style.use('seaborn-v0_8')  # 使用 Seaborn 风格

# 或者创建自定义样式
plt.style.use('default')
plt.rcParams.update({
    'figure.facecolor': 'white',
    'axes.facecolor': '#f0f0f0',
    'axes.grid': True,
    'grid.color': '#e0e0e0',
    'axes.linewidth': 1.2,
    'xtick.labelsize': 10,
    'ytick.labelsize': 10,
    'font.size': 11
})

# 绘制图表
fig, ax = plt.subplots(figsize=(10, 6))
x = np.linspace(0, 10, 100)
ax.plot(x, np.sin(x), linewidth=2, color='#2E86AB')
ax.fill_between(x, 0, np.sin(x), alpha=0.3, color='#A23B72')
ax.set_title('自定义样式图表', pad=20)
plt.tight_layout()
plt.show()

4. 高级图表

python

# 饼图
fig, axes = plt.subplots(1, 2, figsize=(14, 6))

# 简单饼图
labels = ['A', 'B', 'C', 'D', 'E']
sizes = [25, 30, 15, 20, 10]
colors = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99', '#c2c2f0']
explode = (0, 0.1, 0, 0, 0)  # 突出显示 B

axes[0].pie(sizes, explode=explode, labels=labels, colors=colors,
            autopct='%1.1f%%', shadow=True, startangle=90)
axes[0].set_title('饼图')

# 箱线图
data = [np.random.normal(0, std, 100) for std in range(1, 4)]
axes[1].boxplot(data, labels=['Group 1', 'Group 2', 'Group 3'])
axes[1].set_title('箱线图')
axes[1].set_ylabel('Value')

plt.tight_layout()
plt.show()

🎭 Seaborn：统计可视化

1. 统计关系图

python

import seaborn as sns
import pandas as pd

# 加载示例数据集
tips = sns.load_dataset('tips')

# 创建画布
fig, axes = plt.subplots(2, 2, figsize=(14, 10))

# 散点图
sns.scatterplot(data=tips, x='total_bill', y='tip', hue='day', style='time', ax=axes[0, 0])
axes[0, 0].set_title('散点图：消费与小费关系')

# 线性回归图
sns.regplot(data=tips, x='total_bill', y='tip', ax=axes[0, 1], 
            scatter_kws={'alpha':0.5}, line_kws={'color':'red'})
axes[0, 1].set_title('线性回归图')

# 热力图
numeric_tips = tips.select_dtypes(include=[np.number])
correlation = numeric_tips.corr()
sns.heatmap(correlation, annot=True, cmap='coolwarm', center=0, 
            square=True, ax=axes[1, 0])
axes[1, 0].set_title('相关系数热力图')

# 聚合图
sns.barplot(data=tips, x='day', y='total_bill', hue='sex', ax=axes[1, 1])
axes[1, 1].set_title('柱状图：每日消费')

plt.tight_layout()
plt.show()

2. 分布图

python

fig, axes = plt.subplots(2, 3, figsize=(18, 10))

# 直方图
sns.histplot(data=tips, x='total_bill', kde=True, ax=axes[0, 0])
axes[0, 0].set_title('直方图 + KDE')

# 密度图
sns.kdeplot(data=tips, x='total_bill', hue='day', ax=axes[0, 1])
axes[0, 1].set_title('核密度估计图')

# 累积分布
sns.ecdfplot(data=tips, x='total_bill', ax=axes[0, 2])
axes[0, 2].set_title('累积分布函数')

# 箱线图
sns.boxplot(data=tips, x='day', y='total_bill', ax=axes[1, 0])
axes[1, 0].set_title('箱线图')

# 小提琴图
sns.violinplot(data=tips, x='day', y='total_bill', ax=axes[1, 1])
axes[1, 1].set_title('小提琴图')

# 箱形图 + 散点图
sns.boxenplot(data=tips, x='day', y='total_bill', ax=axes[1, 2])
axes[1, 2].set_title('增强箱形图')

plt.tight_layout()
plt.show()

3. 分类数据图

python

fig, axes = plt.subplots(2, 2, figsize=(14, 10))

# 箱线图（按分类）
sns.boxplot(data=tips, x='day', y='total_bill', hue='time', ax=axes[0, 0])
axes[0, 0].set_title('按时间分类的箱线图')

# 小提琴图
sns.violinplot(data=tips, x='day', y='total_bill', hue='sex', split=True, ax=axes[0, 1])
axes[0, 1].set_title('按性别分类的小提琴图')

# 点图
sns.pointplot(data=tips, x='day', y='total_bill', hue='sex', ax=axes[1, 0])
axes[1, 0].set_title('点图：平均值比较')

# 条形图
sns.barplot(data=tips, x='day', y='total_bill', hue='smoker', ax=axes[1, 1])
axes[1, 1].set_title('条形图：按吸烟者分类')

plt.tight_layout()
plt.show()

4. 多变量关系图

python

# pairplot：展示所有变量两两关系
sns.pairplot(tips, hue='day', palette='husl', markers=['o', 's', 'D', '^'])
plt.suptitle('多变量关系图', y=1.02)
plt.show()

# jointplot：双变量关系 + 边缘分布
sns.jointplot(data=tips, x='total_bill', y='tip', kind='reg', 
              height=8, ratio=5, marginal_kws=dict(bins=25, fill=True))
plt.show()

✨ Plotly：交互式可视化

1. 基础交互图表

python

import plotly.express as px
import pandas as pd

# 创建示例数据
df = pd.DataFrame({
    'x': np.linspace(0, 10, 100),
    'y': np.sin(x),
    'category': np.random.choice(['A', 'B', 'C'], 100)
})

# 折线图
fig = px.line(df, x='x', y='y', title='交互式折线图',
              labels={'x': 'X 轴', 'y': 'Y 轴'})
fig.update_layout(
    template='plotly_white',
    hovermode='x unified',
    xaxis_showgrid=True,
    yaxis_showgrid=True,
    gridcolor='lightgray'
)
fig.show()

# 散点图
fig = px.scatter(df, x='x', y='y', color='category', 
                 size=df['y'].abs(), 
                 title='交互式散点图',
                 labels={'category': '分类'})
fig.update_traces(marker=dict(line=dict(width=1, color='DarkSlateGrey')))
fig.show()

2. 高级交互图表

python

# 3D 散点图
fig = px.scatter_3d(
    df, x='x', y='y', z=np.cos(x),
    color='category', size=df['y'].abs(),
    title='3D 交互式散点图'
)
fig.update_layout(scene=dict(
    xaxis_title='X 轴',
    yaxis_title='Y 轴',
    zaxis_title='Z 轴'
))
fig.show()

# 动画图表
df_animated = pd.DataFrame({
    'year': np.tile(range(2000, 2010), 10),
    'value': np.random.randn(100).cumsum(),
    'category': np.repeat(['A', 'B', 'C', 'D', 'E'], 20)
})

fig = px.bar(df_animated, x='category', y='value', 
             color='category', animation_frame='year',
             title='动画柱状图',
             range_y=[df_animated['value'].min(), df_animated['value'].max()])
fig.show()

3. 统计图表

python

# 箱线图
fig = px.box(tips, x='day', y='total_bill', color='time',
             title='交互式箱线图',
             points='all')  # 显示所有数据点
fig.show()

# 小提琴图
fig = px.violin(tips, x='day', y='total_bill', color='sex',
                title='交互式小提琴图',
                box=True,  # 显示箱线图
                points='all')  # 显示所有数据点
fig.show()

# 直方图
fig = px.histogram(tips, x='total_bill', color='day',
                   title='交互式直方图',
                   marginal='box',  # 边缘显示箱线图
                   nbins=30)
fig.show()

4. 地理数据可视化

python

# 创建示例地理数据
geo_df = pd.DataFrame({
    'lat': np.random.uniform(30, 40, 50),
    'lon': np.random.uniform(110, 120, 50),
    'value': np.random.randint(1, 100, 50),
    'category': np.random.choice(['A', 'B', 'C'], 50)
})

# 地图散点图
fig = px.scatter_geo(geo_df, lat='lat', lon='lon', 
                     color='category', size='value',
                     title='地理数据可视化',
                     projection='natural earth')
fig.update_geos(projection_type="equirectangular")
fig.show()

# 等值线图（需要 geojson 文件）
# fig = px.choropleth(...)

🎯 实战案例：销售数据分析

python

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 创建模拟销售数据
np.random.seed(42)
dates = pd.date_range(start='2023-01-01', end='2023-12-31', freq='D')
df = pd.DataFrame({
    'date': dates,
    'sales': np.random.randint(100, 500, len(dates)),
    'visitors': np.random.randint(1000, 5000, len(dates)),
    'conversion_rate': np.random.uniform(0.02, 0.08, len(dates)),
    'product': np.random.choice(['A', 'B', 'C', 'D'], len(dates)),
    'region': np.random.choice(['East', 'West', 'North', 'South'], len(dates))
})

df['month'] = df['date'].dt.month
df['weekday'] = df['date'].dt.day_name()

# 创建综合分析仪表板
fig = plt.figure(figsize=(16, 12))
gs = fig.add_gridspec(3, 3, hspace=0.3, wspace=0.3)

# 1. 销售趋势图
ax1 = fig.add_subplot(gs[0, :])
monthly_sales = df.groupby('month')['sales'].sum()
ax1.plot(monthly_sales.index, monthly_sales.values, 
         marker='o', linewidth=2, markersize=8, color='#2E86AB')
ax1.fill_between(monthly_sales.index, 0, monthly_sales.values, 
                 alpha=0.3, color='#A23B72')
ax1.set_title('月度销售趋势', fontsize=14, pad=15)
ax1.set_xlabel('月份')
ax1.set_ylabel('销售额')
ax1.set_xticks(range(1, 13))
ax1.set_xticklabels(['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 
                      'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec'])
ax1.grid(True, alpha=0.3)

# 2. 产品销售分布
ax2 = fig.add_subplot(gs[1, 0])
product_sales = df.groupby('product')['sales'].sum()
colors = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99']
ax2.pie(product_sales.values, labels=product_sales.index, 
        autopct='%1.1f%%', colors=colors, 
        startangle=90, shadow=True)
ax2.set_title('产品销售占比', pad=15)

# 3. 区域销售对比
ax3 = fig.add_subplot(gs[1, 1])
region_sales = df.groupby('region')['sales'].sum().sort_values(ascending=False)
bars = ax3.bar(region_sales.index, region_sales.values, 
               color=['#2E86AB', '#A23B72', '#F18F01', '#C73E1D'])
ax3.set_title('区域销售对比', pad=15)
ax3.set_ylabel('销售额')
ax3.grid(axis='y', alpha=0.3)

# 4. 工作日销售分布
ax4 = fig.add_subplot(gs[1, 2])
weekday_order = ['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday']
weekday_sales = df.groupby('weekday')['sales'].mean().reindex(weekday_order)
ax4.plot(weekday_sales.index, weekday_sales.values, 
         marker='o', linewidth=2, color='#F18F01')
ax4.set_title('工作日平均销售', pad=15)
ax4.set_ylabel('平均销售额')
ax4.tick_params(axis='x', rotation=45)
ax4.grid(True, alpha=0.3)

# 5. 销售与访客量散点图
ax5 = fig.add_subplot(gs[2, 0])
scatter = ax5.scatter(df['visitors'], df['sales'], 
                     c=df['conversion_rate'], cmap='viridis', 
                     alpha=0.6, s=50)
ax5.set_xlabel('访客量')
ax5.set_ylabel('销售额')
ax5.set_title('销售 vs 访客量（颜色：转化率）', pad=15)
ax5.grid(True, alpha=0.3)
plt.colorbar(scatter, ax=ax5, label='转化率')

# 6. 转化率分布
ax6 = fig.add_subplot(gs[2, 1])
ax6.hist(df['conversion_rate'], bins=30, 
         color='#C73E1D', alpha=0.7, edgecolor='black')
ax6.set_xlabel('转化率')
ax6.set_ylabel('频数')
ax6.set_title('转化率分布', pad=15)
ax6.grid(True, alpha=0.3, axis='y')

# 7. 箱线图
ax7 = fig.add_subplot(gs[2, 2])
sns.boxplot(data=df, x='product', y='sales', ax=ax7, palette='Set2')
ax7.set_title('产品销售分布（箱线图）', pad=15)
ax7.set_ylabel('销售额')
ax7.set_xlabel('产品')

fig.suptitle('2023年销售数据分析仪表板', fontsize=16, y=0.995)
plt.show()

📚 最佳实践

1. 图表设计原则

python

# 好的图表设计
fig, ax = plt.subplots(figsize=(10, 6))

# 清晰的标题
ax.set_title('2023年月度销售趋势', fontsize=14, pad=20)

# 有意义的轴标签
ax.set_xlabel('月份', fontsize=12)
ax.set_ylabel('销售额（万元）', fontsize=12)

# 合适的刻度和网格
ax.set_xticks(range(1, 13))
ax.grid(True, alpha=0.3, linestyle='--')

# 清晰的图例
ax.legend(['2023年'], loc='upper left')

# 高对比度的颜色
ax.plot(monthly_sales.index, monthly_sales.values, 
        color='#2E86AB', linewidth=2, marker='o')

plt.tight_layout()
plt.show()

2. 性能优化

python

# 大数据集可视化
import matplotlib as mpl
mpl.use('Agg')  # 使用非交互式后端

# 使用散点图而不是密集的点图
plt.scatter(x, y, alpha=0.1)  # 使用透明度

# 使用 hexbin 处理密集数据
plt.hexbin(x, y, gridsize=30, cmap='viridis')
plt.colorbar()

# 使用抽样数据
sample = df.sample(frac=0.1)
plt.scatter(sample['x'], sample['y'])

3. 保存图表

python

# 保存为不同格式
fig.savefig('chart.png', dpi=300, bbox_inches='tight', transparent=True)
fig.savefig('chart.pdf', bbox_inches='tight')
fig.savefig('chart.svg', bbox_inches='tight')

# Plotly 保存
fig.write_html('chart.html')
fig.write_image('chart.png', width=1200, height=800, scale=2)

🎓 学习路径

Matplotlib（2-3周）
- 基础图表（折线、散点、柱状）
- 多子图布局
- 自定义样式
Seaborn（2-3周）
- 统计关系图
- 分布图
- 分类数据图
Plotly（2-3周）
- 交互式基础图表
- 高级交互功能
- 仪表板构建
综合应用（3-4周）
- 数据分析项目
- 仪表板设计
- 实战案例

📖 推荐资源

官方文档
推荐书籍
- 《Storytelling with Data》- Cole Nussbaumer Knaflic
- 《Fundamentals of Data Visualization》- Claus O. Wilke
在线画廊

掌握数据可视化，让你的数据分析结果更加生动有力！

Python 数据可视化实战：Matplotlib、Seaborn 与 Plotly 完全指南 ​

📊 三大可视化库对比 ​

核心特性对比 ​

选择建议 ​

🎨 Matplotlib：基础绘图库 ​

1. 基础图表 ​

2. 多子图布局 ​

3. 自定义样式 ​

4. 高级图表 ​

🎭 Seaborn：统计可视化 ​

1. 统计关系图 ​

2. 分布图 ​

3. 分类数据图 ​

4. 多变量关系图 ​

✨ Plotly：交互式可视化 ​

1. 基础交互图表 ​

2. 高级交互图表 ​

3. 统计图表 ​

4. 地理数据可视化 ​

🎯 实战案例：销售数据分析 ​

📚 最佳实践 ​

1. 图表设计原则 ​

2. 性能优化 ​

3. 保存图表 ​

🎓 学习路径 ​

📖 推荐资源 ​

Python 数据可视化实战：Matplotlib、Seaborn 与 Plotly 完全指南

📊 三大可视化库对比

核心特性对比

选择建议

🎨 Matplotlib：基础绘图库

1. 基础图表

2. 多子图布局

3. 自定义样式

4. 高级图表

🎭 Seaborn：统计可视化

1. 统计关系图

2. 分布图

3. 分类数据图

4. 多变量关系图

✨ Plotly：交互式可视化

1. 基础交互图表

2. 高级交互图表

3. 统计图表

4. 地理数据可视化

🎯 实战案例：销售数据分析

📚 最佳实践

1. 图表设计原则

2. 性能优化

3. 保存图表

🎓 学习路径

📖 推荐资源